Análisis propios de los ingresos de la Casen

por comunas y regiones

VE-CC-AJ

DataIntelligence
date: 17-08-2021

1 Introducción

1 Información de las Casen:
http://observatorio.ministeriodesarrollosocial.gob.cl/encuesta-casen-2011

2 En difícil encontar datos oficiales que entreguen información de los ingresos a nivel de persona por comunas en la Casen, porque es de hogares, lo que sociológicamente tiene sentido. La sociedad se comporta como órganos individuales funcionando dentro de los hogares. La enfermedad, como así mismo la caída del ingreso de un integrante de la familia los afecta a todos. Pensemos en la etnia, el sexo, edad, etc.

3 Fue un error haber eliminado outliers de las distribuciones de ingresos pues los resultados obtenidos de esta manera los hacen incomparables con cualquier otro tipo de análisis que no siga la misma metodologia. Casen no excluye outliers.

1.1 Cuatro fuentes de datos (las dos últimas las mismas, pero duplicadas)

Logramos obtener tres fuentes de datos:

Uno a nivel comunal en la Región Metropolitana y tres a nivel Regional:

  1. Ingreso autónomo percápita del hogar, CASEN 2011 ($ de noviembre de 2011) de la pagina 16 de aquí.

  2. Ingreso autónomo promedio e ingreso monetario promedio del hogar a nivel regional el 2015:

https://www.bcn.cl/portal/noticias?id=principales-resultados-sobre-pobreza-e-ingresos-regionales-encuesta-casen-2015

Por dos instrumentos diferentes oficiales llegamos a los mismos resultados y son a los cuales intentamos aproximarnos.

  1. Se comparará con una tabla muy completa pero con información por hogar (aquí)

  1. Y la otra con una página interactiva con datos por región (ver aquí)


1.2 Los ingresos

Recordemos los cuatro datos cuantitativos fundamentales de la generación de los ingresos:

Tipo Ingreso total Ingreso autónomo Ingreso del trabajo Ingreso de la ocupación principal
año
2020 ytotcor yautcor ytrabajocor yoprcor
2017 ytotcor yautcor ytrabajocor yoprcor
2015 ytotcor yautcor ytrabajocor yoprcor
2013 ytotcor yautcor ytrabajocor yoprcor
2011 ytrabaj yautaj ytrabaj yopraj
2009 ytrabaj yautaj ytrabaj yopraj
2006 ytrabaj yautaj ytrabaj yopraj

1.3 Verificación de nuestros cálculos con datos oficiales del 2020

Nuestra primera preocupación fue corroborar si los ddatos que obteniamos de ingresos del 2020 fuesen los correctos. PAra ello realizamos nuestros propios cálculos y comparamos con: (aquí)

Comparamos con ytrabajocorh yautcorh ysubh ymonecorh a nivel regional y los resultados son prácticamente los mismos.

# casen2020 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
# casen2020 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2020.rds")
# casen2020 <- mutate_if(casen2020, is.factor, as.character)
# casen2017 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2017_c.rds")
# casen2017 <- mutate_if(casen2017, is.factor, as.character)
# casen2015 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2015_c.rds")
# casen2015 <- mutate_if(casen2015, is.factor, as.character)
# casen2013 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2013_c.rds")
# casen2013 <- mutate_if(casen2013, is.factor, as.character)
# casen2011 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2011_c.rds")
# casen2011 <- mutate_if(casen2011, is.factor, as.character)
# casen2009 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2009_c.rds")
# casen2009 <- mutate_if(casen2009, is.factor, as.character)
# casen2006 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2006_c.rds")
# casen2006 <- mutate_if(casen2006, is.factor, as.character)
 

casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)
casen2009 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2009_c.rds")
casen2009 <- mutate_if(casen2009, is.factor, as.character)
casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
casen2011 <- mutate_if(casen2011, is.factor, as.character)
casen2013 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2013_c.rds")
casen2013 <- mutate_if(casen2013, is.factor, as.character)
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
casen2015 <- mutate_if(casen2015, is.factor, as.character)
casen2017 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
casen2017 <- mutate_if(casen2017, is.factor, as.character)
# casen2020 <- read.spss(file="C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2020.sav", to.data.frame=TRUE) 
# saveRDS(casen2020,"casen2020.rds")
casen2020 <- readRDS("casen2020.rds")
casen2020 <- mutate_if(casen2020, is.factor, as.character)





reg_20 <- unique(casen2020$region)
# length(reg_20)
reg_17 <- unique(casen2017$region)
# length(reg_17)
reg_15 <- unique(casen2015$region)
# length(reg_15)
reg_13 <- unique(casen2013$region)
# length(reg_13)
reg_11 <- unique(casen2011$region)
# length(reg_11)
reg_09 <- unique(casen2009$REGION)
# length(reg_09)
reg_06 <- unique(casen2006$R)
# length(reg_06)

1.3.1 Ingreso del trabajo hogar: ytrabajocorh

tabla_prom_reg <- data.frame()

for (i in reg_20) {
  casen_fh <- filter(casen2020, casen2020$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ytrabajocorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio = mean(rr$ytrabajocorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2020.xlsx")
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c" 
 
tabla_unida = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_unida <- tabla_unida[,-c(3)]
kbl(tabla_unida) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region promedio Ingreso del trabajo
Región de Antofagasta 857293.2 888965.5
Región de Arica y Parinacota 582146.6 579584.7
Región de Atacama 677066.5 683321.3
Región de Aysén del Gral. Carlos Ibáñez del Campo 827858.4 813325.8
Región de Coquimbo 509835.9 545769.9
Región de La Araucanía 439756.2 477410.0
Región de Los Lagos 547181.9 610255.4
Región de Los Ríos 519901.5 541096.9
Región de Magallanes y de la Antártica Chilena 840063.2 855719.4
Región de Ñuble 414551.7 434823.4
Región de Tarapacá 759609.7 790225.5
Región de Valparaíso 585482.5 601530.0
Región del Biobío 541985.5 574339.2
Región del Libertador Gral. Bernardo O’Higgins 560888.8 581402.5
Región del Maule 536650.2 555357.6
Región Metropolitana de Santiago 1002331.7 960528.0
p <- plot_ly(tabla_unida, width = 1200, x = ~
region, y = ~promedio) %>%
  add_lines() 
p <- p %>% add_trace(y = ~`Ingreso del trabajo`, name = 'ingreso del trabajo oficial', mode = 'markers')
p 

1.3.2 Ingreso autonomo del hogar: yautcorh

tabla_prom_reg <- data.frame()

for (i in reg_20) {
  casen_fh <- filter(casen2020, casen2020$region == i)
  
casen_fh <- casen_fh[,c("region","folio","yautcorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio = mean(rr$yautcorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("ingreso_autonomo_2020_3.xlsx")
## New names:
## * `` -> ...3
names(tabla_ing_aut)[3] <- "region"
 
tabla_unida = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_unida <- tabla_unida[,-c(3)]
 
kbl(tabla_unida) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region promedio ingreso_autonomo
Región de Antofagasta 1033562.4 1070106
Región de Arica y Parinacota 729823.9 722752
Región de Atacama 835951.1 837976
Región de Aysén del Gral. Carlos Ibáñez del Campo 967604.2 948155
Región de Coquimbo 652691.3 693211
Región de La Araucanía 563733.0 609484
Región de Los Lagos 675912.4 735200
Región de Los Ríos 657513.9 679825
Región de Magallanes y de la Antártica Chilena 1067639.9 1082958
Región de Ñuble 536982.2 559368
Región de Tarapacá 905914.3 925396
Región de Valparaíso 771366.7 775964
Región del Biobío 691263.4 722494
Región del Libertador Gral. Bernardo O’Higgins 707819.6 723921
Región del Maule 656891.5 676096
Región Metropolitana de Santiago 1222056.5 1161517
p <- plot_ly(tabla_unida, width = 1200, x = ~
region, y = ~promedio) %>%
  add_lines() 
p <- p %>% add_trace(y = ~ingreso_autonomo, name = 'ingreso autonomo oficial', mode = 'markers')
p 

1.3.3 Ingreso del subsidio monetario: ysubh

tabla_prom_reg <- data.frame()

for (i in reg_20) {
  casen_fh <- filter(casen2020, casen2020$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ysubh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio = mean(rr$ysubh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("subsidios_monetarios_oficial_2020.xlsx") 
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c"
 
tabla_unida = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_unida <- tabla_unida[,-c(3)]
kbl(tabla_unida) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region promedio Subsidios monetarios
Región de Antofagasta 41288.96 40778.06
Región de Arica y Parinacota 58303.43 57346.83
Región de Atacama 53926.23 53825.15
Región de Aysén del Gral. Carlos Ibáñez del Campo 50612.77 50549.10
Región de Coquimbo 62351.79 58729.66
Región de La Araucanía 80434.04 77115.20
Región de Los Lagos 70241.05 64956.55
Región de Los Ríos 71363.66 71456.45
Región de Magallanes y de la Antártica Chilena 43825.70 43936.34
Región de Ñuble 74955.39 75234.80
Región de Tarapacá 46597.95 44113.69
Región de Valparaíso 56153.71 54399.97
Región del Biobío 63475.73 61586.01
Región del Libertador Gral. Bernardo O’Higgins 60012.31 59173.73
Región del Maule 69962.72 67472.14
Región Metropolitana de Santiago 42914.86 43006.41
p <- plot_ly(tabla_unida, width = 1200, x = ~
region, y = ~promedio) %>%
  add_lines() 
p <- p %>% add_trace(y = ~`Subsidios monetarios`, name = 'ingreso del subsidio monetarios oficial', mode = 'markers')
p 

1.3.4 Ingreso monetario: ymonecorh

tabla_prom_reg <- data.frame()

for (i in reg_20) {
  casen_fh <- filter(casen2020, casen2020$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ymonecorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio = mean(rr$ymonecorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("ingreso_monetario_oficial_2020.xlsx") 
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c"
 
tabla_unida = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_unida <- tabla_unida[,-c(3)]
kbl(tabla_unida) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region promedio Ingreso monetario
Región de Antofagasta 1074851.4 1110884.1
Región de Arica y Parinacota 788127.3 780099.2
Región de Atacama 889877.3 891801.2
Región de Aysén del Gral. Carlos Ibáñez del Campo 1018217.0 998704.5
Región de Coquimbo 715043.1 751940.8
Región de La Araucanía 644167.1 686598.9
Región de Los Lagos 746153.4 800156.2
Región de Los Ríos 728877.5 751281.1
Región de Magallanes y de la Antártica Chilena 1111465.6 1126894.2
Región de Ñuble 611937.6 634603.0
Región de Tarapacá 952512.3 969509.3
Región de Valparaíso 827520.4 830363.7
Región del Biobío 754739.2 784080.2
Región del Libertador Gral. Bernardo O’Higgins 767831.9 783094.9
Región del Maule 726854.2 743567.7
Región Metropolitana de Santiago 1264971.3 1204523.7
p <- plot_ly(tabla_unida, width = 1200, x = ~
region, y = ~promedio) %>%
  add_lines() 
p <- p %>% add_trace(y = ~`Ingreso monetario`, name = 'ingreso monetario oficial', mode = 'markers')
p 

1.3.5 compararemos nuestros cálculos para otro año con los datos oficiales la variable: ytrabajocorh 2017

tabla_prom_reg <- data.frame()

for (i in reg_17) {
  casen_fh <- filter(casen2017, casen2017$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ytrabajocorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio_2017 = mean(rr$ytrabajocorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c" 
 
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
kbl(tabla_2017) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region promedio_2017 Ingreso del trabajo 2017
Región de Antofagasta 932541.0 974641.4
Región de Arica y Parinacota 600641.8 584868.1
Región de Atacama 685371.7 725666.9
Región de Ayséndel Gral. Carlos Ibáñez del Campo 896174.9 NA
Región de Coquimbo 496064.1 543329.2
Región de La Araucanía 494977.9 526971.2
Región de Los Lagos 603038.6 616955.3
Región de Los Ríos 558418.5 572722.4
Región de Magallanes y de la Antártica Chilena 991709.9 951359.1
Región de Ñuble 436229.9 450966.8
Región de Tarapacá 798910.2 773927.6
Región de Valparaíso 638730.9 650047.1
Región del Biobío 526766.1 567735.6
Región del Libertador Gral. Bernardo O’Higgins 525606.8 NA
Región del Maule 509444.0 531345.3
Región Metropolitana de Santiago 1110214.6 1029813.4
p <- plot_ly(tabla_2017, width = 1200, x = ~
region, y = ~promedio_2017) %>%
  add_lines() 
p <- p %>% add_trace(y = ~`Ingreso del trabajo 2017`, name = 'ingreso del trabajo 2017 oficial', mode = 'markers')
p 

1.4 Análisis de ingreso del trabajo 2009 - 2020

1.4.1 Ingreso del trabajo hogar: ytrabajocorh 2009-2020

Datos oficiales

# tabla_ing_aut1 <- read_xlsx("ingreso_del_trabajo_oficial_2020.xlsx")
# names(tabla_ing_aut1)[3] <- "region" 
# names(tabla_ing_aut1)[1] <- "region_c" 
#  
# tabla_ing_aut2 <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut2)[3] <- "region" 
# names(tabla_ing_aut2)[1] <- "region_c" 
#  
#  
# tabla_2 = merge(x = tabla_ing_aut2, y = tabla_ing_aut1, by = "region_c", all.x = T)
# tabla_2 <- tabla_2[,-c(3)]
#  
# tabla_ing_aut3 <- read_xlsx("ingresos_del_trabajo_global.xlsx")
# tabla_ing_aut3 <- tabla_ing_aut3[,-c(2)]
# names(tabla_ing_aut3)[7] <- "region"
# names(tabla_ing_aut3)[1] <- "region_c"
#  
# tabla_3 = merge(x = tabla_ing_aut3, y = tabla_2, by = "region_c", all.x = T)
# tabla_3 <- tabla_3[,-c(7)]
# names(tabla_3)[7] <- "2017"
# names(tabla_3)[8] <- "2020"
# names(tabla_3)[9] <- "region"
# 
# kbl(tabla_3) %>%
#   kable_styling(bootstrap_options = c("striped", "hover")) %>%
#   kable_paper() %>%
#   scroll_box(width = "100%", height = "300px")

datos_oficiales <- read_xlsx("ingresos_oficiales_2006-2020.xlsx")
datos_oficiales <- cbind(datos_oficiales[,c(1,9,10)],mutate_if(datos_oficiales[,2:8], is.character, as.numeric))
datos_oficiales <- filter(datos_oficiales, grepl("trabajo", ingreso) )


kbl(datos_oficiales) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region2 region ingreso publicado_2006 publicado_2009 publicado_2011 publicado_2013 publicado_2015 publicado_2017 publicado_2020
Arica y Parinacota Región de Arica y Parinacota trabajo 273937.0 464614.3 445949.4 498799.3 601417.5 584868.1 579584.7
Tarapacá Región de Tarapacá trabajo 356800.1 419526.5 551249.9 761909.7 889361.3 773927.6 790225.5
Antofagasta Región de Antofagasta trabajo 538839.2 619294.1 781222.8 925370.3 890679.3 974641.4 888965.5
Atacama Región de Atacama trabajo 483336.2 479754.7 536536.5 680522.2 727487.4 725666.9 683321.3
Coquimbo Región de Coquimbo trabajo 317302.0 344288.7 398282.8 551228.4 563729.9 543329.2 545769.9
Valparaíso Región de Valparaíso trabajo 336348.8 398724.9 407404.0 529517.7 579701.3 650047.1 601530.0
Metropolitana Región Metropolitana de Santiago trabajo 561566.9 638431.3 664719.4 802969.4 913907.1 1029813.4 960528.0
O’Higgins Región del Libertador Gral. Bernardo O’Higgins trabajo 336467.3 388326.6 422118.6 490339.5 562065.3 547193.5 581402.5
Maule Región del Maule trabajo 291301.4 334825.8 349494.8 420441.8 484619.3 531345.3 555357.6
Ñuble Región de Ñuble trabajo NA NA NA NA NA 450966.8 434823.4
Biobío Región del Biobío trabajo 302906.9 341621.2 392531.3 427784.3 491868.1 567735.6 574339.2
La Araucanía Región de La Araucanía trabajo 278035.9 287299.3 347746.9 420189.4 460048.5 526971.2 477410.0
Los Ríos Región de Los Ríos trabajo 290154.3 280783.0 381946.1 410961.0 555862.9 572722.4 541096.9
Los Lagos Región de Los Lagos trabajo 365727.0 349611.2 386519.0 477580.5 514329.1 616955.3 610255.4
Aysén Región de Aysén del Gral. Carlos Ibáñez del Campo trabajo 373691.7 508744.3 584967.7 644193.8 744554.2 921386.4 813325.8
Magallanes Región de Magallanes y de la Antártica Chilena trabajo 470099.6 491311.8 597909.3 695091.8 795825.1 951359.1 855719.4
tabla_3 <- datos_oficiales
#### 2020

tabla_prom_reg <- data.frame()

for (i in reg_20) {
  casen_fh <- filter(casen2020, casen2020$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ytrabajocorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  calculado_2020 = mean(rr$ytrabajocorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2020.xlsx")
# names(tabla_ing_aut)[3] <- "region" 
# names(tabla_ing_aut)[1] <- "region_c" 
 tabla_ing_aut <- tabla_3[,c("region","publicado_2020")]
tabla_2020 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2020 <- tabla_2020[,-c(3)]
 
tabla_prom_reg <- data.frame()

for (i in reg_17) {
  casen_fh <- filter(casen2017, casen2017$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ytrabajocorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  calculado_2017 = mean(rr$ytrabajocorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region" 
# names(tabla_ing_aut)[1] <- "region_c" 
  tabla_ing_aut <- tabla_3[,c("region","publicado_2017")]
  
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
  
#### 2015

tabla_prom_reg <- data.frame()

for (i in reg_15) {
  casen_fh <- filter(casen2015, casen2015$region == i)
  
casen_fh <- casen_fh[,c("region","folio.x","ytrabajoCorh")]
casen_fh$folio.x <- as.character(casen_fh$folio.x)
  
tabla <- table(casen_fh$folio.x)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio.x","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio.x", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio.x ), ]

tabla_reg <- data.frame(
  region = i,
  promedio_2015 = mean(rr$ytrabajoCorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}
tabla_prom_reg <- rbind(tabla_prom_reg,c("Región de Ñuble",NA))
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region" 
# names(tabla_ing_aut)[1] <- "region_c" 
  tabla_ing_aut <- tabla_3[,c("region","publicado_2015")]
  
tabla_2015 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2015 <- tabla_2015[,-c(3)]
tabla_2015$promedio_2015 <- as.numeric(tabla_2015$promedio_2015)
tabla_2015$region[tabla_2015$region == "Región del Libertador Gral. Bernardo O Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
 
#### 2013

tabla_prom_reg <- data.frame()

for (i in reg_13) {
  casen_fh <- filter(casen2013, casen2013$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ytrabajoCorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  calculado_2013 = mean(rr$ytrabajoCorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}
tabla_prom_reg <- rbind(tabla_prom_reg,c("Región de Ñuble",NA))
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region" 
# names(tabla_ing_aut)[1] <- "region_c" 
  tabla_ing_aut <- tabla_3[,c("region","publicado_2013")]
  
tabla_2013 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2013 <- tabla_2013[,-c(3)]

tabla_2013$region[tabla_2013$region == "I. Tarapaca"] <- "Región de Tarapacá"
tabla_2013$region[tabla_2013$region == "II. Antofagasta"] <- "Región de Antofagasta"
tabla_2013$region[tabla_2013$region == "III. Atacama"] <- "Región de Atacama"
tabla_2013$region[tabla_2013$region == "IV. Coquimbo"] <- "Región de Coquimbo"
tabla_2013$region[tabla_2013$region == "IX. La Araucanía"] <- "Región de La Araucanía"
tabla_2013$region[tabla_2013$region == "Metropolitana"] <- "Región Metropolitana de Santiago"
tabla_2013$region[tabla_2013$region == "V. Valparaíso"] <- "Región de Valparaíso"
tabla_2013$region[tabla_2013$region == "VI. O Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2013$region[tabla_2013$region == "VII. Maule"] <- "Región del Maule"
tabla_2013$region[tabla_2013$region == "VIII. Biobío"] <- "Región del Biobío"
tabla_2013$region[tabla_2013$region == "X. Los Lagos"] <- "Región de Los Lagos"
tabla_2013$region[tabla_2013$region == "XI. Aysén"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2013$region[tabla_2013$region == "XII. Magallanes"] <- "Región de Magallanes y de la Antártica Chilena"
tabla_2013$region[tabla_2013$region == "XIV. Los Ríos"] <- "Región de Los Ríos"
tabla_2013$region[tabla_2013$region == "XV. Arica y Parinacota"] <- "Región de Arica y Parinacota"
tabla_2013$calculado_2013 <- as.numeric(tabla_2013$calculado_2013)

#### 2011

tabla_prom_reg <- data.frame()

for (i in reg_11) {
  casen_fh <- filter(casen2011, casen2011$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ytrabhaj")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  calculado_2011 = mean(rr$ytrabhaj)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}
tabla_prom_reg <- rbind(tabla_prom_reg,c("Región de Ñuble",NA))
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region" 
# names(tabla_ing_aut)[1] <- "region_c" 
  tabla_ing_aut <- tabla_3[,c("region","publicado_2011")]
  
tabla_2011 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2011 <- tabla_2011[,-c(3)]
tabla_2011$region[tabla_2011$region == "Antofagasta"] <- "Región de Antofagasta"
tabla_2011$region[tabla_2011$region == "Araucanía"] <- "Región de La Araucanía"
tabla_2011$region[tabla_2011$region == "Arica y Parinacota"] <- "Región de Arica y Parinacota"
tabla_2011$region[tabla_2011$region == "Aysén"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2011$region[tabla_2011$region == "Bio Bio"] <- "Región del Biobío"
tabla_2011$region[tabla_2011$region == "Copiapó"] <- "Región de Atacama"
tabla_2011$region[tabla_2011$region == "Coquimbo"] <- "Región de Coquimbo"
tabla_2011$region[tabla_2011$region == "Los Lagos"] <- "Región de Los Lagos"
tabla_2011$region[tabla_2011$region == "Los Ríos"] <- "Región de Los Ríos"
tabla_2011$region[tabla_2011$region == "Magallanes"] <- "Región de Magallanes y de la Antártica Chilena"
tabla_2011$region[tabla_2011$region == "Maule"] <- "Región del Maule"
tabla_2011$region[tabla_2011$region == "Metropolitana"] <- "Región Metropolitana de Santiago"
tabla_2011$region[tabla_2011$region == "O Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2011$region[tabla_2011$region == "Tarapacá"] <- "Región de Tarapacá"
tabla_2011$region[tabla_2011$region == "Valparaíso"] <- "Región de Valparaíso"
tabla_2011$calculado_2011 <- as.numeric(tabla_2011$calculado_2011)
 
#### 2009

tabla_prom_reg <- data.frame()

for (i in reg_09) {
  casen_fh <- filter(casen2009, casen2009$REGION == i)
  
casen_fh <- casen_fh[,c("REGION","FOLIO","YTRABHAJ")]
casen_fh$FOLIO <- as.character(casen_fh$FOLIO)
  
tabla <- table(casen_fh$FOLIO)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("FOLIO","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "FOLIO", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$FOLIO ), ]

tabla_reg <- data.frame(
  region = i,
 calculado_2009 = mean(rr$YTRABHAJ)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}
tabla_prom_reg <- rbind(tabla_prom_reg,c("Región de Ñuble",NA))
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region" 
# names(tabla_ing_aut)[1] <- "region_c" 
  tabla_ing_aut <- tabla_3[,c("region","publicado_2009")]
  
tabla_2009 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2009 <- tabla_2009[,-c(3)]
tabla_2009$region[tabla_2009$region == "Antofagasta"] <- "Región de Antofagasta"
tabla_2009$region[tabla_2009$region == "Arica y Parinacota"] <- "Región de Arica y Parinacota"
tabla_2009$region[tabla_2009$region == "Atacama"] <- "Región de Atacama"
tabla_2009$region[tabla_2009$region == "Aysén"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2009$region[tabla_2009$region == "Bío Bío"] <- "Región del Biobío"
tabla_2009$region[tabla_2009$region == "Coquimbo"] <- "Región de Coquimbo"
tabla_2009$region[tabla_2009$region == "La Araucanía"] <- "Región de La Araucanía"
tabla_2009$region[tabla_2009$region == "Libertador Bernardo O´Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2009$region[tabla_2009$region == "Los Lagos"] <- "Región de Los Lagos"
tabla_2009$region[tabla_2009$region == "Los Rios"] <- "Región de Los Ríos"
tabla_2009$region[tabla_2009$region == "Magallanes Y La Antártica Chilena"] <- "Región de Magallanes y de la Antártica Chilena"
tabla_2009$region[tabla_2009$region == "Maule"] <- "Región del Maule"
tabla_2009$region[tabla_2009$region == "Región Metropolitana"] <- "Región Metropolitana de Santiago"
tabla_2009$region[tabla_2009$region == "Tarapacá"] <- "Región de Tarapacá"
tabla_2009$region[tabla_2009$region == "Valparaíso"] <- "Región de Valparaíso"
tabla_2009$calculado_2009 <- as.numeric(tabla_2009$calculado_2009)

tabla_2017$region[tabla_2017$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2017$region[tabla_2017$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2020$region[tabla_2020$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2020$region[tabla_2020$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"

Datos calculados

ingresos  = merge(x = tabla_2017, y = tabla_2020, by = "region", all.x = T)
ingresos  = merge(x = tabla_2015, y = ingresos, by = "region", all.x = T)
ingresos  = merge(x = tabla_2013, y = ingresos, by = "region", all.x = T)
ingresos  = merge(x = tabla_2011, y = ingresos, by = "region", all.x = T)
ingresos  = merge(x = tabla_2009, y = ingresos, by = "region", all.x = T)

kbl(ingresos) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region calculado_2009 calculado_2011 calculado_2013 promedio_2015 calculado_2017 calculado_2020
Región de Antofagasta 690564.4 903493.6 887091.8 806480.1 932541.0 857293.2
Región de Arica y Parinacota 480529.8 585745.0 492079.3 549056.3 600641.8 582146.6
Región de Atacama 507618.2 684309.8 699911.3 761372.6 685371.7 677066.5
Región de Aysén del Gral. Carlos Ibáñez del Campo 593482.4 727620.4 627410.0 702402.8 896174.9 827858.4
Región de Coquimbo 390717.9 497581.8 516169.4 560045.1 496064.1 509835.9
Región de La Araucanía 291942.6 398675.0 401305.0 416468.3 494977.9 439756.2
Región de Los Lagos 463565.2 512732.3 450558.3 502647.6 603038.6 547181.9
Región de Los Ríos 334903.8 489486.2 399454.9 442174.5 558418.5 519901.5
Región de Magallanes y de la Antártica Chilena 746667.1 747457.2 671043.4 760002.5 991709.9 840063.2
Región de Ñuble NA NA NA NA 436229.9 414551.7
Región de Tarapacá 458431.5 699243.6 692375.7 678785.7 798910.2 759609.7
Región de Valparaíso 467675.4 529679.6 507894.0 558955.4 638730.9 585482.5
Región del Biobío 333805.6 438976.7 396793.8 452885.9 526766.1 541985.5
Región del Libertador Gral. Bernardo O’Higgins 377682.8 486705.3 453831.6 554773.5 525606.8 560888.8
Región del Maule 344021.5 445315.9 413859.3 456964.7 509444.0 536650.2
Región Metropolitana de Santiago 621508.1 865170.7 764176.6 977917.8 1110214.6 1002331.7
tabla_3$region[tabla_3$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_3$region[tabla_3$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"

tabla_f = merge( x = ingresos, y = tabla_3, by = "region" , all.x = T)


tabla_f%>% datatable(extensions = 'Buttons',class = 'cell-border stripe',
          options = list(
            dom = 'Blfrtip',
            buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
            pageLength = 5,
            autoWidth = TRUE,
            
            scrollX = TRUE,
            lengthMenu = list(c(10,25,50,-1),c(10,25,50,"All"))
)) 
tabla_f
##                                               region calculado_2009
## 1                              Región de Antofagasta       690564.4
## 2                       Región de Arica y Parinacota       480529.8
## 3                                  Región de Atacama       507618.2
## 4  Región de Aysén del Gral. Carlos Ibáñez del Campo       593482.4
## 5                                 Región de Coquimbo       390717.9
## 6                             Región de La Araucanía       291942.6
## 7                                Región de Los Lagos       463565.2
## 8                                 Región de Los Ríos       334903.8
## 9     Región de Magallanes y de la Antártica Chilena       746667.1
## 10                                   Región de Ñuble             NA
## 11                                Región de Tarapacá       458431.5
## 12                              Región de Valparaíso       467675.4
## 13                                 Región del Biobío       333805.6
## 14    Región del Libertador Gral. Bernardo O'Higgins       377682.8
## 15                                  Región del Maule       344021.5
## 16                  Región Metropolitana de Santiago       621508.1
##    calculado_2011 calculado_2013 promedio_2015 calculado_2017 calculado_2020
## 1        903493.6       887091.8      806480.1       932541.0       857293.2
## 2        585745.0       492079.3      549056.3       600641.8       582146.6
## 3        684309.8       699911.3      761372.6       685371.7       677066.5
## 4        727620.4       627410.0      702402.8       896174.9       827858.4
## 5        497581.8       516169.4      560045.1       496064.1       509835.9
## 6        398675.0       401305.0      416468.3       494977.9       439756.2
## 7        512732.3       450558.3      502647.6       603038.6       547181.9
## 8        489486.2       399454.9      442174.5       558418.5       519901.5
## 9        747457.2       671043.4      760002.5       991709.9       840063.2
## 10             NA             NA            NA       436229.9       414551.7
## 11       699243.6       692375.7      678785.7       798910.2       759609.7
## 12       529679.6       507894.0      558955.4       638730.9       585482.5
## 13       438976.7       396793.8      452885.9       526766.1       541985.5
## 14       486705.3       453831.6      554773.5       525606.8       560888.8
## 15       445315.9       413859.3      456964.7       509444.0       536650.2
## 16       865170.7       764176.6      977917.8      1110214.6      1002331.7
##               region2 ingreso publicado_2006 publicado_2009 publicado_2011
## 1         Antofagasta trabajo       538839.2       619294.1       781222.8
## 2  Arica y Parinacota trabajo       273937.0       464614.3       445949.4
## 3             Atacama trabajo       483336.2       479754.7       536536.5
## 4               Aysén trabajo       373691.7       508744.3       584967.7
## 5            Coquimbo trabajo       317302.0       344288.7       398282.8
## 6        La Araucanía trabajo       278035.9       287299.3       347746.9
## 7           Los Lagos trabajo       365727.0       349611.2       386519.0
## 8            Los Ríos trabajo       290154.3       280783.0       381946.1
## 9          Magallanes trabajo       470099.6       491311.8       597909.3
## 10              Ñuble trabajo             NA             NA             NA
## 11           Tarapacá trabajo       356800.1       419526.5       551249.9
## 12         Valparaíso trabajo       336348.8       398724.9       407404.0
## 13             Biobío trabajo       302906.9       341621.2       392531.3
## 14          O'Higgins trabajo       336467.3       388326.6       422118.6
## 15              Maule trabajo       291301.4       334825.8       349494.8
## 16      Metropolitana trabajo       561566.9       638431.3       664719.4
##    publicado_2013 publicado_2015 publicado_2017 publicado_2020
## 1        925370.3       890679.3       974641.4       888965.5
## 2        498799.3       601417.5       584868.1       579584.7
## 3        680522.2       727487.4       725666.9       683321.3
## 4        644193.8       744554.2       921386.4       813325.8
## 5        551228.4       563729.9       543329.2       545769.9
## 6        420189.4       460048.5       526971.2       477410.0
## 7        477580.5       514329.1       616955.3       610255.4
## 8        410961.0       555862.9       572722.4       541096.9
## 9        695091.8       795825.1       951359.1       855719.4
## 10             NA             NA       450966.8       434823.4
## 11       761909.7       889361.3       773927.6       790225.5
## 12       529517.7       579701.3       650047.1       601530.0
## 13       427784.3       491868.1       567735.6       574339.2
## 14       490339.5       562065.3       547193.5       581402.5
## 15       420441.8       484619.3       531345.3       555357.6
## 16       802969.4       913907.1      1029813.4       960528.0
tabla_f$por_01 <- 100*tabla_f$calculado_2009/tabla_f$calculado_2011

names (tabla_f)[5] = "calculado_2015"

tabla_f
##                                               region calculado_2009
## 1                              Región de Antofagasta       690564.4
## 2                       Región de Arica y Parinacota       480529.8
## 3                                  Región de Atacama       507618.2
## 4  Región de Aysén del Gral. Carlos Ibáñez del Campo       593482.4
## 5                                 Región de Coquimbo       390717.9
## 6                             Región de La Araucanía       291942.6
## 7                                Región de Los Lagos       463565.2
## 8                                 Región de Los Ríos       334903.8
## 9     Región de Magallanes y de la Antártica Chilena       746667.1
## 10                                   Región de Ñuble             NA
## 11                                Región de Tarapacá       458431.5
## 12                              Región de Valparaíso       467675.4
## 13                                 Región del Biobío       333805.6
## 14    Región del Libertador Gral. Bernardo O'Higgins       377682.8
## 15                                  Región del Maule       344021.5
## 16                  Región Metropolitana de Santiago       621508.1
##    calculado_2011 calculado_2013 calculado_2015 calculado_2017 calculado_2020
## 1        903493.6       887091.8       806480.1       932541.0       857293.2
## 2        585745.0       492079.3       549056.3       600641.8       582146.6
## 3        684309.8       699911.3       761372.6       685371.7       677066.5
## 4        727620.4       627410.0       702402.8       896174.9       827858.4
## 5        497581.8       516169.4       560045.1       496064.1       509835.9
## 6        398675.0       401305.0       416468.3       494977.9       439756.2
## 7        512732.3       450558.3       502647.6       603038.6       547181.9
## 8        489486.2       399454.9       442174.5       558418.5       519901.5
## 9        747457.2       671043.4       760002.5       991709.9       840063.2
## 10             NA             NA             NA       436229.9       414551.7
## 11       699243.6       692375.7       678785.7       798910.2       759609.7
## 12       529679.6       507894.0       558955.4       638730.9       585482.5
## 13       438976.7       396793.8       452885.9       526766.1       541985.5
## 14       486705.3       453831.6       554773.5       525606.8       560888.8
## 15       445315.9       413859.3       456964.7       509444.0       536650.2
## 16       865170.7       764176.6       977917.8      1110214.6      1002331.7
##               region2 ingreso publicado_2006 publicado_2009 publicado_2011
## 1         Antofagasta trabajo       538839.2       619294.1       781222.8
## 2  Arica y Parinacota trabajo       273937.0       464614.3       445949.4
## 3             Atacama trabajo       483336.2       479754.7       536536.5
## 4               Aysén trabajo       373691.7       508744.3       584967.7
## 5            Coquimbo trabajo       317302.0       344288.7       398282.8
## 6        La Araucanía trabajo       278035.9       287299.3       347746.9
## 7           Los Lagos trabajo       365727.0       349611.2       386519.0
## 8            Los Ríos trabajo       290154.3       280783.0       381946.1
## 9          Magallanes trabajo       470099.6       491311.8       597909.3
## 10              Ñuble trabajo             NA             NA             NA
## 11           Tarapacá trabajo       356800.1       419526.5       551249.9
## 12         Valparaíso trabajo       336348.8       398724.9       407404.0
## 13             Biobío trabajo       302906.9       341621.2       392531.3
## 14          O'Higgins trabajo       336467.3       388326.6       422118.6
## 15              Maule trabajo       291301.4       334825.8       349494.8
## 16      Metropolitana trabajo       561566.9       638431.3       664719.4
##    publicado_2013 publicado_2015 publicado_2017 publicado_2020   por_01
## 1        925370.3       890679.3       974641.4       888965.5 76.43268
## 2        498799.3       601417.5       584868.1       579584.7 82.03738
## 3        680522.2       727487.4       725666.9       683321.3 74.17959
## 4        644193.8       744554.2       921386.4       813325.8 81.56483
## 5        551228.4       563729.9       543329.2       545769.9 78.52335
## 6        420189.4       460048.5       526971.2       477410.0 73.22821
## 7        477580.5       514329.1       616955.3       610255.4 90.41076
## 8        410961.0       555862.9       572722.4       541096.9 68.41946
## 9        695091.8       795825.1       951359.1       855719.4 99.89429
## 10             NA             NA       450966.8       434823.4       NA
## 11       761909.7       889361.3       773927.6       790225.5 65.56105
## 12       529517.7       579701.3       650047.1       601530.0 88.29401
## 13       427784.3       491868.1       567735.6       574339.2 76.04176
## 14       490339.5       562065.3       547193.5       581402.5 77.59990
## 15       420441.8       484619.3       531345.3       555357.6 77.25335
## 16       802969.4       913907.1      1029813.4       960528.0 71.83647

2 Comparación de los ingresos por tipo y región entre los años 2017-2020

p <- plot_ly(tabla_f, width = 1200, x = ~region, y = ~calculado_2009, name = 'calculado 2009', mode = 'markers') %>% add_lines() 
p <- p %>% add_lines(y = ~calculado_2011, name = 'calculado 2011', mode = 'markers')
p <- p %>% add_lines(y = ~calculado_2013, name = 'calculado 2013', mode = 'markers')
p <- p %>% add_lines(y = ~calculado_2015, name = 'calculado 2015', mode = 'markers')
p <- p %>% add_lines(y = ~calculado_2017, name = 'calculado 2017', mode = 'markers')
p <- p %>% add_lines(y = ~calculado_2020, name = 'calculado 2020', mode = 'markers') 
p <- p %>% add_trace(y = ~`publicado_2009`, name = 'Oficial 2009', mode = 'markers') 
p <- p %>% add_trace(y = ~`publicado_2011`, name = 'Oficial 2011', mode = 'markers') 
p <- p %>% add_trace(y = ~`publicado_2013`, name = 'Oficial 2013', mode = 'markers') 
p <- p %>% add_trace(y = ~`publicado_2015`, name = 'Oficial 2015', mode = 'markers') 
p <- p %>% add_trace(y = ~`publicado_2017`, name = 'Oficial 2017', mode = 'markers') 
p <- p %>% add_trace(y = ~`publicado_2020`, name = 'Oficial 2020', mode = 'markers') 
p

2.1 Tabla de variación porcentual

2.1.1 Ingreso del autonomo hogar: yautcorh 2020-2017

 #### 2020

tabla_prom_reg <- data.frame()

for (i in reg_20) {
  casen_fh <- filter(casen2020, casen2020$region == i)
  
casen_fh <- casen_fh[,c("region","folio","yautcorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio_2020 = mean(rr$yautcorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("ingreso_autonomo_2020_3.xlsx")
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c" 
 
tabla_2020 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2020 <- tabla_2020[,-c(3)]

 #### 2017

tabla_prom_reg <- data.frame()

for (i in reg_17) {
  casen_fh <- filter(casen2017, casen2017$region == i)
  
casen_fh <- casen_fh[,c("region","folio","yautcorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio_2017 = mean(rr$yautcorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}
 
tabla_ing_aut <- read_xlsx("ingreso_autonomo_oficial_2017.xlsx")
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c" 
 
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
tabla_2017$region[tabla_2017$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2017$region[tabla_2017$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"

Unión de la tabla de resultados

ingresos_2017_2020 <- cbind(tabla_2017,tabla_2020)
ingresos_2017_2020 <- ingresos_2017_2020[,-c(3,4,6)]
write_xlsx(ingresos_2017_2020,"ingresos_autonomo_hog_2017_2020.xlsx")

kbl(ingresos_2017_2020) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region promedio_2017 promedio_2020
Región de Antofagasta 1061216.0 1033562.4
Región de Arica y Parinacota 715349.7 729823.9
Región de Atacama 796480.0 835951.1
Región de Aysén del Gral. Carlos Ibáñez del Campo 1006032.4 967604.2
Región de Coquimbo 591920.4 652691.3
Región de La Araucanía 578463.9 563733.0
Región de Los Lagos 688894.7 675912.4
Región de Los Ríos 665085.3 657513.9
Región de Magallanes y de la Antártica Chilena 1135339.9 1067639.9
Región de Ñuble 540576.9 536982.2
Región de Tarapacá 923363.0 905914.3
Región de Valparaíso 803874.1 771366.7
Región del Biobío 656046.7 691263.4
Región del Libertador Gral. Bernardo O’Higgins 639923.8 707819.6
Región del Maule 604758.5 656891.5
Región Metropolitana de Santiago 1318362.9 1222056.5

2.2 Comparación de los ingresos por tipo y región entre los años 2017-2020

p <- plot_ly(ingresos_2017_2020, width = 1200, x = ~region, y = ~promedio_2017, name = '2017', mode = 'markers') %>% add_lines() 
p <- p %>% add_lines(y = ~promedio_2020, name = '2020', mode = 'markers')
p 

2.3 Tabla de variación porcentual

2.3.1 Ingreso del subsidio monetario: ysubh 2020-2017

 #### 2020

tabla_prom_reg <- data.frame()

for (i in reg_20) {
  casen_fh <- filter(casen2020, casen2020$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ysubh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio_2020 = mean(rr$ysubh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}


tabla_ing_aut <- read_xlsx("subsidios_monetarios_oficial_2020.xlsx")
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c" 
 
tabla_2020 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2020 <- tabla_2020[,-c(3)]
 
 #### 2017

tabla_prom_reg <- data.frame()

for (i in reg_17) {
  casen_fh <- filter(casen2017, casen2017$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ysubh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio_2017 = mean(rr$ysubh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("subsidios_monetarios_oficial_2017.xlsx")
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c" 
 
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
tabla_2017$region[tabla_2017$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2017$region[tabla_2017$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"

Unión de la tabla de resultados

ingresos_2017_2020 <- cbind(tabla_2017,tabla_2020)
ingresos_2017_2020 <- ingresos_2017_2020[,-c(3,4,6)]
write_xlsx(ingresos_2017_2020,"ingresos_subsidios_monetarios_2017_2020.xlsx")

kbl(ingresos_2017_2020) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region promedio_2017 promedio_2020
Región de Antofagasta 21199.34 41288.96
Región de Arica y Parinacota 29396.29 58303.43
Región de Atacama 28451.32 53926.23
Región de Aysén del Gral. Carlos Ibáñez del Campo 42050.07 50612.77
Región de Coquimbo 38202.46 62351.79
Región de La Araucanía 49937.00 80434.04
Región de Los Lagos 45400.58 70241.05
Región de Los Ríos 41685.97 71363.66
Región de Magallanes y de la Antártica Chilena 24657.26 43825.70
Región de Ñuble 50025.49 74955.39
Región de Tarapacá 24767.50 46597.95
Región de Valparaíso 32499.84 56153.71
Región del Biobío 37947.34 63475.73
Región del Libertador Gral. Bernardo O’Higgins 34926.33 60012.31
Región del Maule 44321.80 69962.72
Región Metropolitana de Santiago 24299.65 42914.86

2.4 Comparación de los ingresos por tipo y región entre los años 2017-2020

p <- plot_ly(ingresos_2017_2020, width = 1200, x = ~region, y = ~promedio_2017, name = '2017', mode = 'markers') %>% add_lines() 
p <- p %>% add_lines(y = ~promedio_2020, name = '2020', mode = 'markers')
p 

2.4.1 Ingreso monetario del hogar: ymonecorh 2020-2017

 #### 2020

tabla_prom_reg <- data.frame()

for (i in reg_20) {
  casen_fh <- filter(casen2020, casen2020$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ymonecorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio_2020 = mean(rr$ymonecorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("ingreso_monetario_oficial_2020.xlsx")
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c" 
 
tabla_2020 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2020 <- tabla_2020[,-c(3)]
 
 #### 2017

tabla_prom_reg <- data.frame()

for (i in reg_17) {
  casen_fh <- filter(casen2017, casen2017$region == i)
  
casen_fh <- casen_fh[,c("region","folio","ymonecorh")]
casen_fh$folio <- as.character(casen_fh$folio)
  
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]

tabla_reg <- data.frame(
  region = i,
  promedio_2017 = mean(rr$ymonecorh)
)

tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)

}

tabla_ing_aut <- read_xlsx("ingreso_monetario_oficial_2017.xlsx")
names(tabla_ing_aut)[3] <- "region" 
names(tabla_ing_aut)[1] <- "region_c" 
 
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
tabla_2017$region[tabla_2017$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2017$region[tabla_2017$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"

Unión de la tabla de resultados

ingresos_2017_2020 <- cbind(tabla_2017,tabla_2020)
ingresos_2017_2020 <- ingresos_2017_2020[,-c(3,4,6)]
write_xlsx(ingresos_2017_2020,"ingresos_monetarios_hog_2017_2020.xlsx")

kbl(ingresos_2017_2020) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
region promedio_2017 promedio_2020
Región de Antofagasta 1082415.3 1074851.4
Región de Arica y Parinacota 744746.0 788127.3
Región de Atacama 824931.3 889877.3
Región de Aysén del Gral. Carlos Ibáñez del Campo 1048082.4 1018217.0
Región de Coquimbo 630122.9 715043.1
Región de La Araucanía 628400.9 644167.1
Región de Los Lagos 734295.3 746153.4
Región de Los Ríos 706771.3 728877.5
Región de Magallanes y de la Antártica Chilena 1159997.2 1111465.6
Región de Ñuble 590602.4 611937.6
Región de Tarapacá 948130.5 952512.3
Región de Valparaíso 836373.9 827520.4
Región del Biobío 693994.1 754739.2
Región del Libertador Gral. Bernardo O’Higgins 674850.1 767831.9
Región del Maule 649080.3 726854.2
Región Metropolitana de Santiago 1342662.6 1264971.3

2.5 Comparación de los ingresos por tipo y región entre los años 2017-2020

p <- plot_ly(ingresos_2017_2020, width = 1200, x = ~region, y = ~promedio_2017, name = '2017', mode = 'markers') %>% add_lines() 
p <- p %>% add_lines(y = ~promedio_2020, name = '2020', mode = 'markers')
p 

3 Validación de los diferentes tipos de ingreso de la Casen comparando calculos propios con los oficiales ($ noviembre de cada año)

link 1(ver aquí)

link 2 (ver aquí)

POBREZA EN PORCENTAJE DE PERSONAS 2006

unique(casen2006$CORTE)
## [1] "No pobre"           "Indigente"          "Pobre no indigente"
## [4] NA
tabla_matp <-xtabs(casen2006$EXPC~COMUNA+CORTE, data = casen2006)
head(tabla_matp,10)
##                  CORTE
## COMUNA            Indigente No pobre Pobre no indigente
##   Aisén                 776    22452                402
##   Algarrobo             307     9647                831
##   Alhué                 166     4013                441
##   Alto Bío Bío         1317     5825               1936
##   Alto del Carmen         0     4450                 61
##   Alto Hospicio        3523    58114              12901
##   Ancud                 309    37931               2579
##   Andacollo             421     6746               2041
##   Angol                3302    37857               7814
##   Antofagasta          8968   305199              10778
s1 <- sum(tabla_matp[,1])+sum(tabla_matp[,2])+sum(tabla_matp[,3])
s2 <- sum(tabla_matp[,1])

s2*100/s1
## [1] 3.206491
casen_2006_r1 <- filter(casen2006, casen2006$R == "VIII")
# head(casen_2006_r1)
# casen_2006_r1 %>% filter(!is.na(CORTE))

tabla_matp <-xtabs(casen_2006_r1$EXPR~R+CORTE, data = casen_2006_r1)
# head(tabla_matp,10)
s1 <- sum(tabla_matp[,1])+sum(tabla_matp[,2])+sum(tabla_matp[,3])
s2 <- sum(tabla_matp[,3])
 
s2*100/s1
## [1] 15.51188

4 El ingreso autónomo per cápita del hogar

4.1 Ingreso autónomo percápita del hogar, CASEN 2011 ($ de noviembre de 2011)

Ingreso autónomo per cápita del hogar, promedio de los hogares es el Valor correspondiente a la suma de los ingresos autónomos per cápita de todos los hogares, dividido por el total de hogares.

El ingreso autónomo se define como todos los pagos que recibe el hogar, provenientes tanto del trabajo como de la propiedad de los activos. Estos incluyen sueldos y salarios (monetarios y en especies), ganancias provenientes del trabajo independiente, la auto provisión de bienes producidos por el hogar, rentas, intereses, jubilaciones, pensiones, montepíos y transferencias corrientes entre privados.

El ingreso autónomo per cápita del hogar es la suma de los ingresos autónomos de todos los miembros del hogar, dividido por el número de integrantes del hogar, excluido el servicio doméstico puertas adentro.

folio: Identificación del hogar.

casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
# casen2011 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2011_c.rds")
casen2011  <- mutate_if(casen2011, is.factor, as.character)
# head(casen2011,5)

4.1.1 Hacemos un subset con la region metropolitana

casen2011_rm <- filter(casen2011, casen2011$region == "Metropolitana")
# comuna_ing <- unique(casen2011_rm$comuna)
tabla <- table(casen2011_rm$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
head(tabla,10)
##           folio freq_folio
## 1  131011001011          1
## 2  131011001041          1
## 3  131011001061          1
## 4  131011001121          1
## 5  131011001131          1
## 6  131011001161          1
## 7  131011001191          3
## 8  131011001201          1
## 9  131011001211          1
## 10 131011001221          2
casen_fh <- casen2011_rm[,c("comuna","folio","yauthaj","expc_full","numper")]
casen_fh$folio <- as.character(casen_fh$folio)
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
#repetidos2 <- repetidos2[,c(2,1,6,4,5)]
rr <- repetidos2[!duplicated(repetidos2$folio), ]
head(rr,10)
##           folio   comuna yauthaj expc_full numper freq_folio
## 1  131011001011 Santiago 1653583        94      1          1
## 2  131011001041 Santiago  560401        94      1          1
## 3  131011001061 Santiago 1044093        94      1          1
## 4  131011001121 Santiago 1430074        94      1          1
## 5  131011001131 Santiago  444180        94      1          1
## 6  131011001161 Santiago  613347        94      1          1
## 7  131011001191 Santiago 1235752        94      3          3
## 10 131011001201 Santiago 1674543        94      1          1
## 11 131011001211 Santiago  295815        94      1          1
## 12 131011001221 Santiago 3461482        94      2          2

Aca vamos a calcular promedios de personas por hogar:

rr$ing_per_h <- rr$yauthaj/rr$freq_folio

aaa <- aggregate(rr$ing_per_h, list(rr$comuna), FUN=mean)
names(aaa)[1]<-c("Comuna")
aaa$`mean.rr$ing_per_h` <- as.numeric(aaa$`mean.rr$ing_per_h`)
names(aaa)[2]<-c("calculo_propio")

write_xlsx(aaa, "aaaa.xlsx")

bbb <- read.csv2("ing_aut_percap_del_hogar_casen2011.csv")
bbb$`iaph` <- as.numeric(bbb$`iaph`)
names(bbb)[1] <- "Comuna"

ccc <- merge(x = aaa, y = bbb, by = "Comuna", all.x = TRUE)
p <- plot_ly(ccc, width = 1200, x = ~
Comuna, y = ~calculo_propio) %>%
  add_lines()
#p <- plot_ly(width = 800, height = 800)
p <- p %>% add_trace(y = ~iaph, name = 'iaph', mode = 'markers')
p
## No trace type specified:
##   Based on info supplied, a 'bar' trace seems appropriate.
##   Read more about this trace type -> https://plotly.com/r/reference/#bar
## Warning: 'bar' objects don't have these attributes: 'mode'
## Valid attributes include:
## 'type', 'visible', 'showlegend', 'legendgroup', 'opacity', 'name', 'uid', 'ids', 'customdata', 'meta', 'selectedpoints', 'hoverinfo', 'hoverlabel', 'stream', 'transforms', 'uirevision', 'x', 'x0', 'dx', 'y', 'y0', 'dy', 'xperiod', 'yperiod', 'xperiod0', 'yperiod0', 'xperiodalignment', 'yperiodalignment', 'text', 'texttemplate', 'hovertext', 'hovertemplate', 'textposition', 'insidetextanchor', 'textangle', 'textfont', 'insidetextfont', 'outsidetextfont', 'constraintext', 'cliponaxis', 'orientation', 'base', 'offset', 'width', 'marker', 'offsetgroup', 'alignmentgroup', 'selected', 'unselected', 'r', 't', '_deprecated', 'error_x', 'error_y', 'xcalendar', 'ycalendar', 'xaxis', 'yaxis', 'idssrc', 'customdatasrc', 'metasrc', 'hoverinfosrc', 'xsrc', 'ysrc', 'textsrc', 'texttemplatesrc', 'hovertextsrc', 'hovertemplatesrc', 'textpositionsrc', 'basesrc', 'offsetsrc', 'widthsrc', 'rsrc', 'tsrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'

5 Analisis por personas por comuna

Si llegamos a tal nivel de sofisticacion con el percapita y las variables calculadas coinciden con las publicadas sobre varios anos, aunque no exista publicacion oficial con la cual comparar a nivel de personas, nuestras estimaciones deberian estar ok.

Vamos a estimar a nivel porcentual la variación del ingreso total personal entre el 2017 y el 2020 por comuna.

5.1 Ingresos

salida_001 = aggregate(casen2017[,c("ytotcor")],by = list(PAISES = casen2017$comuna), FUN = mean)
names(salida_001)[1]<-c("comunas")
names(salida_001)[2]<-c("promedios totales 2017")
head(salida_001,10)
##            comunas promedios totales 2017
## 1        Algarrobo               481159.9
## 2            Alhué               376332.9
## 3      Alto Biobío               228063.8
## 4  Alto del Carmen               264821.7
## 5    Alto Hospicio               342817.8
## 6            Ancud               247563.6
## 7        Andacollo               284461.3
## 8            Angol               319658.5
## 9      Antofagasta               562035.7
## 10          Antuco               237217.3
salida_002 = aggregate(casen2020[,c("ytotcor")],by = list(PAISES = casen2020$comuna), FUN = mean)
names(salida_002)[1]<-c("comunas")
names(salida_002)[2]<-c("promedios totales 2020")
head(salida_002,10)
##            comunas promedios totales 2020
## 1        Algarrobo               260872.7
## 2            Alhué               266054.7
## 3      Alto Biobío               215322.3
## 4  Alto del Carmen               196643.9
## 5    Alto Hospicio               206293.8
## 6            Ancud               224070.3
## 7        Andacollo               186774.1
## 8            Angol               209548.4
## 9      Antofagasta               361246.8
## 10          Antuco               251406.4
union_003 <- merge(salida_001,salida_002, by="comunas", all.x = TRUE)
union_003$difer_por <- (100-100*union_003$`promedios totales 2017`/union_003$`promedios totales 2020`)
head(union_003,10)
##            comunas promedios totales 2017 promedios totales 2020  difer_por
## 1        Algarrobo               481159.9               260872.7 -84.442416
## 2            Alhué               376332.9               266054.7 -41.449440
## 3      Alto Biobío               228063.8               215322.3  -5.917394
## 4  Alto del Carmen               264821.7               196643.9 -34.670701
## 5    Alto Hospicio               342817.8               206293.8 -66.179407
## 6            Ancud               247563.6               224070.3 -10.484792
## 7        Andacollo               284461.3               186774.1 -52.302359
## 8            Angol               319658.5               209548.4 -52.546365
## 9      Antofagasta               562035.7               361246.8 -55.582207
## 10          Antuco               237217.3               251406.4   5.643907

2009

ab <- casen2009
eliminated <-ab
a <- eliminated$YTOTAJ
b <- eliminated$COMUNA
c <- eliminated$SEXO
d <- eliminated$T5


promedios_grupales <-aggregate(a, by=list(b, c, d), FUN = mean , na.rm = TRUE)
promedios_grupales_sd <-aggregate(a, by=list(b, c, d), FUN = sd , na.rm = TRUE)
promedios_grupales$sd = promedios_grupales_sd$sd.a
d<-promedios_grupales
d$Año <- "2009"

ttt <- d[complete.cases(d), ]


names(ttt)[1] <- "Comuna"
names(ttt)[2] <- "Sexo"
names(ttt)[3] <- "Etnia"
names(ttt)[4] <- "Promedio"
names(ttt)[5] <- "Desviación standard"
names(ttt)[6] <- "Año"
ttt
codigos_comunales <- readRDS(file = "C:/Users/chris/OneDrive/Documentos/archivos_grandes/codigos_comunales_2009.rds")
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
df_2009 = merge( x = ttt, y = codigos_comunales, by = "Comuna", all.x = TRUE)
df_2009 <- df_2009[!(df_2009$Promedio == 0),]
tabla_matp2 <- df_2009[complete.cases(df_2009), ]

tabla_matp2  %>% datatable(extensions = 'Buttons',class = 'cell-border stripe',
          options = list(
            dom = 'Blfrtip',
            buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
            pageLength = 5,
            autoWidth = TRUE,
            
            scrollX = TRUE,
            lengthMenu = list(c(10,25,50,-1),c(10,25,50,"All"))
)) 

5.2 Frecuencias

ab <- casen2009
b <- ab$COMUNA
c <- ab$SEXO
d <- ab$T5
tabla_matp <-xtabs(ab$EXPC~b+c+d, data = ab)
tabla_matp <- as.data.frame(tabla_matp)
tabla_matp <-tabla_matp[!(tabla_matp$Freq == 0),]


 tabla_matp  %>% datatable(extensions = 'Buttons',class = 'cell-border stripe',
          options = list(
            dom = 'Blfrtip',
            buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
            pageLength = 5,
            autoWidth = TRUE,
            
            scrollX = TRUE,
            lengthMenu = list(c(10,25,50,-1),c(10,25,50,"All"))
))